这学期期末做了一个image Segmentation的 project. 总结一下：
Project 要求用4中方法，其中两种是DNN。 我用了ISIB Challenge的数据，给定一张细胞的照片，把其中的细胞膜分出来（大概是这样）。 Training set 里面每个pixel都有对应的label（0 or 1)，这与image classification 的数据不同。对于Image Segmentation，已经有很多基于DNN方法都被提出来了，准确率也非常高。我选用了其中的两种DNN， 包括 U-net 和 SegNet。 另外两种方法我选用了简单的RF和SVM。
RF和SVM都需要先做feature extraction。Python 有成熟的模块来做图片的feature extraction。 但是这种方法的问题在于，需要针对每个像素点都做 feature extraction，然后取每个像素点对应的label，这样来产生RF和SVM的输入（新的training data)。 事实证明，这样做非常慢因为图片大小是512x512，所以我在实验的时候随机取了1000个像素点（每张图片）来生成 training data。这样的效果当然是不好了。。。
用DNN就简单很多，直接输入图片，输出也是图片。但是，我遇到的实际问题是：图片本身太大了。用colab 的GPU总是中断，用自己的GPU也是OOM。 尝试了很多方法：
1. 用colab的GPU： 基于pytorch搭建网络，运行时总是中断；
2. 用colab的多个TPU来并行运算：基于Keras搭建网络时发现keras-tpu不支持某个模块（应该是upsampling）；
3. 用实验室的GPU: 基于keras搭建网络，OOM；
这些我都没有找到解决方案，因为时间有限，我就从图片中随机的取小一点的patches来作为输入。在inference的时候我就需要把predicted small patches 拼接成 512x512 的样子。结果还行，但是很麻烦。
虽然结果已经提交了，但是我还是知道遇到这种现实的问题应该怎么办。。。Keep in mind. 以后来更新。
Code放在这里了： https://github.com/ray-hu/Image-Segmentation
